Os modelos estatísticos utilizam equações matemáticas para codificar as informações extraídas dos dados. Em alguns casos, as técnicas de modelagem estatística podem fornecer modelos adequados muito rapidamente. Mesmo para problemas nos quais técnicas de aprendizado por máquina mais flexíveis (como redes neurais) podem definitivamente fornecer melhores resultados, é possível utilizar alguns modelos estatísticos como modelos preditivos de linha de base para avaliar o desempenho das técnicas mais avançadas.
Os nós de modelagem estatística a seguir estão disponíveis.
|
|
Os modelos de regressão linear preveem uma variável resposta contínua baseada em relacionamentos lineares entre a resposta e um ou mais preditores. |
|
|
A regressão logística é uma técnica estatística para ordenar registros com base em valores de campos de entrada. Ela é análoga à regressão linear, mas usa um campo de variável resposta categórica em vez de um intervalo numérico. |
|
|
O nó PCA/Fator fornece técnicas poderosas de redução de dados para reduzir a complexidade de seus dados. A análise de componentes principais (PCA) localiza combinações lineares dos campos de entrada que realizam as melhores tarefas de captura de variância no conjunto de campos inteiro, no qual os componentes são ortogonais (perpendiculares) uns aos outros. A análise fatorial tenta identificar os fatores subjacentes que explicam o padrão de correlações dentro de um conjunto observado de campos. Para ambas as abordagens, o objetivo é localizar um pequeno número de campos derivados que sumarizam efetivamente as informações no conjunto de campos original. |
|
|
A análise discriminante faz suposições mais rigorosas que a regressão logística, mas pode ser uma alternativa de valor ou um suplemento para uma análise de regressão logística quando essas suposições são atendidas. |
|
|
O Modelo Linear Generalizado expande o modelo linear geral para que a variável dependente esteja linearmente relacionada aos fatores e às covariáveis por meio de uma função de ligação especificada. Além do mais, o modelo permite que a variável dependente tenha uma distribuição não normal. Ele cobre a funcionalidade de um amplo número de modelos estatísticos, incluindo regressão linear, regressão logística, modelos log-linear para dados de contagem e modelos de sobrevivência censurados por intervalo. |
|
|
Um modelo linear generalizado misto (GLMM) estende o modelo linear para que a resposta possa ter uma distribuição não normal, esteja linearmente relacionada aos fatores e às covariáveis via uma função de ligação especificada e para que as observações possam ser correlacionadas. Os modelos lineares generalizados mistos abrangem uma ampla variedade de modelos, desde regressão linear simples até modelos multiníveis complexos para dados longitudinais não normais. |
|
|
O nó de Regressão de Cox permite construir um modelo de sobrevivência para dados de sobrevivência na presença de registros censurados. O modelo produz uma função de sobrevivência que prevê a probabilidade de o evento de interesse ter ocorrido em um determinado momento (t) para determinados valores das variáveis de entrada. |
